• Restorative Dentistry and Endodontics
• /
• 제31권1호
• /
• pp.11-19
• /
• 2006

이 연구의 목적은 $ProTaper\^{(R)}$ S1과 3가지 종류의 파일을 각각 같이 사용하는 혼합법의 근관성형 효율을 비교해 보는 것이다. 5년 이상의 임상경력을 가진 치과의사 20명이 Ni-Ti파일 경험자군과 비경험자군으로 나뉘어, $ProTaper\^{(R)}$만을 사용한 C군과 $ProTaper\^{(R)}$ S1과 함께 세 종류의 파일 시스템- $ProFile\^{(R)}$ (P군), $HeroShaper\^{(R)}$ (H군), $K-Flexofile\^{(R)}$ (S군)을 혼합 적용하여, 각각의 방법으로 레진 근관을 성형하였다. 성형 전후 이미지를 중첩 시켜 근관형태 이상을 조사하고, 근단공부터 1, 2, 3mm 위치에서 근관 폭경의 변화량, 중심 변위율을 산출, 비교하여 다음의 결과를 얻었다. C군과 S군 모두 다른 실험군에 비해 성형시간이 많이 소요되었다. 경험자군에 비해 비경험자군에서는 C군과 H군에서 더 많은 시간이 소요되었다 P군의 중심변위율은 $ProTaper\^{(R)}$만을 사용한 C군이나 SS파일을 사용한 S군보다 양호하였다. 마찬가지로, 경험자군의 경우에서는 P군에 추가하여 H군도 더 나은 결과를 보였다 (p<0.05). 이 실험 조건하에, $ProFile\^{(R)}$과 $HeroShaper\^{(R)}$를 사용한 혼합법이 $ProTaper\^{(R)}$만을 사용한 성형방법보다 더욱 추천된다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.163-177
• /
• 2019

스마트폰이 널리 보급되고 현대인들의 생활 속에 깊이 자리 잡으면서, 스마트폰에서 수집된 다종 데이터를 바탕으로 사용자 개인의 행동을 인식하고자 하는 연구가 활발히 진행되고 있다. 그러나 타인과의 상호작용 행동 인식에 대한 연구는 아직까지 상대적으로 미진하였다. 기존 상호작용 행동 인식 연구에서는 오디오, 블루투스, 와이파이 등의 데이터를 사용하였으나, 이들은 사용자 사생활 침해 가능성이 높으며 단시간 내에 충분한 양의 데이터를 수집하기 어렵다는 한계가 있다. 반면 가속도, 자기장, 자이로스코프 등의 물리 센서의 경우 사생활 침해 가능성이 낮으며 단시간 내에 충분한 양의 데이터를 수집할 수 있다. 본 연구에서는 이러한 점에 주목하여, 스마트폰 상의 다종 물리 센서 데이터만을 활용, 딥러닝 모델에 기반을 둔 사용자의 동행 상태 인식 방법론을 제안한다. 사용자의 동행 여부 및 대화 여부를 분류하는 동행 상태 분류 모델은 컨볼루션 신경망과 장단기 기억 순환 신경망이 혼합된 구조를 지닌다. 먼저 스마트폰의 다종 물리 센서에서 수집한 데이터에 존재하는 타임 스태프의 차이를 상쇄하고, 정규화를 수행하여 시간에 따른 시퀀스 데이터 형태로 변환함으로써 동행 상태분류 모델의 입력 데이터를 생성한다. 이는 컨볼루션 신경망에 입력되며, 데이터의 시간적 국부 의존성이 반영된 요인 지도를 출력한다. 장단기 기억 순환 신경망은 요인 지도를 입력받아 시간에 따른 순차적 연관 관계를 학습하며, 동행 상태 분류를 위한 요인을 추출하고 소프트맥스 분류기에서 이에 기반한 최종적인 분류를 수행한다. 자체 제작한 스마트폰 애플리케이션을 배포하여 실험 데이터를 수집하였으며, 이를 활용하여 제안한 방법론을 평가하였다. 최적의 파라미터를 설정하여 동행 상태 분류 모델을 학습하고 평가한 결과, 동행 여부와 대화 여부를 각각 98.74%, 98.83%의 높은 정확도로 분류하였다.